Las células solares de perovskita (perovskite solar cells, PSCs) ocupan un lugar importante en las nuevas tecnologías solares debido a su alto desempeño. Considerando las deficiencias del método tradicional de prueba y error en la mejora de la eficiencia de conversión de potencia (power conversion efficiency, PCE) de las PSCs, tales como ciclos de investigación largos y baja eficiencia, este artículo propone un método inteligente de optimización del proceso de fabricación de PSCs basado en aprendizaje automático (machine learning, ML). Aplicando varios algoritmos de ML para construir un modelo predictivo de PCE, finalmente se eligió el modelo de boosting de gradiente (gradient boosting, GB) de alto rendimiento para realizar análisis visuales SHAP (shapley additive explanations) y validación experimental. Los resultados experimentales muestran que los experimentos guiados por la salida del modelo lograron una PCE del 21,81% en PSCs. Este trabajo no solo resuelve eficazmente las limitaciones del método tradicional de prueba y error, sino que también supera el problema de baja precisión predictiva de ML en el campo de las PSCs, proporcionando una nueva perspectiva y base científica para el desarrollo rápido de PSCs con alta PCE, además de servir como referencia para el desarrollo de otras nuevas tecnologías solares.

Células solares de perovskita; Aprendizaje automático; Análisis SHAP; Predicción de eficiencia de conversión de potencia